[发明专利]一种基于CoLBP共生特征与GSS特征的行人检测方法

说明书

本发明公开了一种基于CoLBP共生特征与GSS特征的行人检测方法，包括步骤：提取视频序列中每一帧图像的HOG特征及LBP特征，根据HOG特征计算出图像局部梯度块之间的成对梯度自相似性的GSS特征，同时根据LBP特征得到CoLBP共生特征；采用特征生成器FGM移除不对称的GSS特征，得到判别梯度自相似性DGSS特征；基于HOG特征与CoLBP共生特征训练的线性SVM分类器移除图像中的负样本；对于剩余负样本与正样本，利用基于HOG特征与DGSS特征训练的Real‑AdaBoost分类器再次检测每一帧图像中的行人，获得检测结果。本发明在LBP与HOG特征的基础上进一步得到更高层次的CoLBP共生特征与GSS特征，增加了行人特征提取的可靠性，最后的检测结果也表明，本发明具有较好的检测效果。

技术领域

本发明涉及一种基于CoLBP共生特征与GSS特征的行人检测方法，属于计算机视觉与图像处理的技术领域。

背景技术

当前行人检测的研究已经取得巨大的进展。早期工作主要集中在利用Haar小波变换实现行人检测的特征提取。目前，HOG特征广泛应用于行人检测领域，该方法将局部单元(cells)中的梯度信息整合到直方图中，并通过局部归一化增强该特征对光照、阴影和边缘变化的鲁棒性。虽然HOG在单一特征表示方面具有很大的优越性，但仍然具有一定的缺陷性，例如描述子生成过程冗长，很难处理遮挡，对噪点相当敏感等。因此，相继出现其他特征实现行人检测，例如基于HOF的运动描述符，基于LBP的纹理描述符，以及基于颜色自相似特征的描述符。

另外，共生特征也广泛应用于行人检测领域，通过计算梯度幅值设计出一种用于检测共生方向的共生CoLBP共生特征，基于多Harr-like共生特征设计出一种人脸识别器。为了进一步提高行人检测的性能，逐渐出现了一些组合多种低层次特征的方法。例如基于强度、深度和密集流数据计算的HOG-LBP特征构建的多级混合专家模型；融合灰度，LUV颜色和通过取向梯度幅值量化的行人检测框架。

以及，在HOG特征的基础上，演变出许多更高层次的特征，例如全局姿态不变描述符。另外，形状也是行人检测的常用线索。另一种方法是基于轮廓来表示中间层边缘特征，通过手绘轮廓的聚类补丁生成令牌标记以捕获局部边缘结构。每个像素令牌标记的表示与其他多图像通道进行组合，作为增强型检测器的特征。以上特征虽然种类较多，但由于特征相对单一，或者组合特征检测效果不明显，因此在一些遮挡，光照变化强烈的复杂的环境下，检测效果不是很理想。

发明内容

本发明所要解决的技术问题在于克服现有技术的不足，提供一种基于CoLBP共生特征与GSS特征的行人检测方法，解决现有的行人检测方法中特征相对单一，或者组合特征检测效果不明显，在一些遮挡及光照变化强烈的复杂的环境下，检测效果不佳的问题，以提高行人检测准确率。

本发明具体采用以下技术方案解决上述技术问题：

一种基于CoLBP共生特征与GSS特征的行人检测方法，包括以下步骤：

步骤A、提取视频序列中每一帧图像的HOG特征及LBP特征，根据每一帧图像中的HOG特征计算出图像局部梯度块之间的成对梯度自相似性的GSS特征，同时根据LBP特征得到CoLBP共生特征；

步骤B、采用特征生成器FGM移除不对称的GSS特征，得到判别梯度自相似性DGSS特征；

步骤C、基于HOG特征与CoLBP共生特征训练的线性SVM分类器移除图像中的负样本；对于剩余负样本与正样本，利用基于HOG特征与DGSS特征训练的Real-AdaBoost分类器再次检测每一帧图像中的行人，获得检测结果。

进一步地，作为本发明的一种优选技术方案，所述步骤A中计算成对梯度自相似性GSS特征，具体包括：利用HOG特征对局部梯度块进行方向编码，并通过计算每一个局部梯度块与其水平翻转局部梯度块之间的距离得到距离矩阵，并根据距离矩阵计算出成对梯度自相似性的GSS特征。